As soluções AIOps precisam de IA tradicional e IA generativa
A IA generativa deu nova vida ao AIOps , mas é uma má ideia acreditar que é o único tipo de IA necessária para mantê-lo vivo no futuro.
AIOps parecia, em 2022, ser uma tecnologia em suporte de vida. Quase todas as chamadas soluções AIOps eram pouco mais que monitoramento tradicional com esteroides. Os casos de uso para os quais o AIOps foi destinado naquele momento eram mundanos e faziam muito pouco em termos de encaminhar o progresso em direção a uma visão de aplicativos adaptáveis . Ou seja, trazer inteligência e capacidade de executar mudanças em tempo real nas operações.
Mas então a IA generativa entrou em cena e, de repente, a AIOps ganhou uma segunda chance na vida. Só que não foi. Na verdade.
Para entender o porquê, precisamos definir AIOps em termos dos recursos que ele pretende fornecer.
O que é AIOps?
AIOps é um termo amplo geralmente usado para se referir ao uso de inteligência artificial para operações de TI. As soluções AIOps — geralmente chamadas de plataformas — geralmente fornecem quatro recursos distintos:
- Observar : Abrange ingestão de telemetria e detecção de anomalias.
- Analisar : Usa IA para descobrir padrões, correlacionar eventos em contexto, identificar causas raiz e gerar insights.
- Envolver : Permita que os usuários visualizem e interajam com dados e insights.
- Agir : Transforma insights em ações por meio da automação.
Em grande parte, o que vimos até agora é a integração da IA generativa com a capacidade de engajamento . Especificamente, a IA generativa avançou as funções de interação dessa capacidade ao trocar GUIs (Graphic User Interface) e APIs por NLIs (Natural Language Interfaces). Isso move amplamente o AIOps para o caso de uso mais frequentemente citado para AIOps, de acordo com um relatório da ZK Research :
- 64% de eficiência operacional/produtividade de TI
- 54% de melhoria no desempenho da rede ou do aplicativo
- 54% de melhoria na segurança ou conformidade
Há algumas indicações de que a IA generativa está sendo usada para atuar gerando políticas e configurações para mitigar riscos e lidar com incidentes, mas elas são tênues no momento e estão amplamente confinadas a um único ecossistema de destino, ou seja, o portfólio de um fornecedor ou provedor.
A IA generativa fez muito pouco para promover a capacidade de analisar os dados coletados pela capacidade de observação . Isso não é uma crítica, mas sim um reconhecimento de que ele não foi projetado para fazer isso. Para isso, precisamos contar com a boa e velha IA tradicional.
O que é IA tradicional?
Desde a introdução da IA generativa, o que sempre chamamos de IA precisou de um nome próprio. O mercado decidiu usar a IA tradicional para descrever “toda IA, exceto a generativa”.
A IA tradicional usa muitas das mesmas técnicas de treinamento e princípios subjacentes da IA generativa, mas tem como objetivo analisar e até mesmo prever resultados identificando padrões e relacionamentos em um corpus de dados amplamente estruturados. A IA tradicional é excelente em classificação e reconhecimento.
A IA tradicional tem sido usada há décadas para:
- Identificar bots para evitar abusos e fraudes, como invasões de contas (ATO)
- Detecte ataques com base em padrões de comportamento no tráfego de rede (DDoS) e de aplicativos (L7)
- Faça recomendações de produtos e/ou serviços com base em padrões de consumo
- Caligrafia e reconhecimento de imagem
O papel da IA em AIOps
A capacidade da IA tradicional não apenas de fazer previsões de padrões e relacionamentos existentes, mas também de descobrir novos, quase em tempo real, é o que torna a tecnologia inestimável para uma verdadeira solução de AIOps. É necessário um modelo que possa analisar novos dados e inferir a presença de um ataque ou prever um problema que interferirá na disponibilidade ou prejudicará o desempenho. A IA tradicional é particularmente adepta de ambas as coisas: imbuindo a capacidade de observação com a capacidade de detectar anomalias e fornecendo a descoberta de padrões e relacionamentos para a capacidade de análise .
A IA generativa pode gerar código, configurações e conteúdo. Ele replica padrões existentes e os aplica para gerar novos conteúdos. Ele não cria nada, mas depende de relacionamentos entre objetos que são fortalecidos ou enfraquecidos com base no feedback.
De fato, pedir para a IA generativa analisar novos dados é repleto de riscos. Ele pode lhe dar uma resposta correta, mas também pode lhe dar uma alucinação e lhe dar a resposta errada. Isso ocorre porque, em última análise, a IA generativa é um jogo de números e, se os relacionamentos ou padrões não forem fortes ou não existirem o suficiente entre os pontos de dados, ela simplesmente preencherá as lacunas, certas ou erradas.
O que a IA generativa nos oferece é acessibilidade aos dados — porque não precisamos ser especialistas em uma linguagem de consulta ou depender de desenvolvedores para criar uma interface — e a capacidade de gerar automaticamente código ou configurações que podem ser executadas para resolver um problema. Isso também é acessibilidade, pois alivia a necessidade de ser um especialista em escrever código ou aproveitar múltiplas APIs.
Mas sem a IA tradicional para analisar dados de telemetria em tempo real, esse sistema aborda apenas parcialmente dois dos três recursos necessários para uma solução AIOps totalmente funcional. Portanto, precisamos usar IA tradicional e generativa:
- Observar : IA tradicional para detecção de anomalias.
- Analisar: IA tradicional para descobrir padrões e relacionamentos.
- Engajar : IA generativa para permitir que os usuários visualizem e interajam com dados e insights.
- Agir : IA generativa para transformar insights em ações.
Então, embora eu esteja otimista em relação à IA generativa e sua capacidade de simplificar e até mesmo acelerar as operações , também estou ciente de que, para concretizar todo o potencial da IA em AIOps, será necessária tanto a IA tradicional quanto a generativa.